Pemilihan Model Terbaik pada Mars Respon Kontinu

Ukuran: px
Mulai penontonan dengan halaman:

Download "Pemilihan Model Terbaik pada Mars Respon Kontinu"

Transkripsi

1 Sttstk, Vol. 8 No., 9 9 e 008 Pelh odel erk pd rs Respo Kotu Bg Wdjrko Otok eg Pegjr d Jurus Sttstk, IS, Sury e-l: g_wo@sttstk.ts.c.d; otok_w@yhoo.co Astrk ultvrte dptve regresso sple (ARS) dlh slh stu odel regres opretrk, ytu odel yg egsusk etuk huug fugsol tr vrel respo d predktor tdk dkethu. ARS dlh kos yg koplek tr etode sple deg rekursf prts utuk eghslk ests fugs regres yg kotu.hsl peelt eujukk hw ests preter odel ARS utuk vrel respo kotu dlkuk deg pelzed lest squre (PLS). Pelh odel ARS terk dlkuk deg prosedur forwrd d ckwrd stepwse ddsrk pd l GCV. Prosedur forwrd dlh thp utuk edptk fugs ss ksu yg eckup pegruh efek ut, terks, d kot. Sedgk prosedur ckwrd dlh thp utuk egels fugs ss yg kotrusy tdk sgfk. Hsl kj jug eujukk hw GCV deg potog regres ler dpt terukt ekerj deg k dl eetuk pelh odel terk pd ARS respo kotu. Kt-kt Kuc: ARS, Pelzed Lest Squre, GCV.. Pedhulu Dl erg dspl lu, perslh peelt uuy dlh edekt seuh fugs eerp vrel predktor pd erg ttk dl rug vrel respo. slh terjd dl dg sttstk (regres opretrk ultvrt), d dg lu koputs d rekys ( eurl etwork). Hl dktk keju yg cukup pest pd tekktekk oder utuk pegupul dt, yg telh eghslk dt dl julh esr k dl ukur upu des. Utuk eyelesk perslh terseut dperluk sutu odel pd vrel respo ()Y dl stu tu leh vrel predktor (,...,) yg eerk huug pd dt. Secr uu, lss yg dguk utuk egeksplors huug tr ()Y d (,...,) dkel deg regres. Regres ler dlh slh stu pedekt pretrk yg plg populer dl peodel dt. Dl prktek, pedekt pretrk sergkl tdk fleksel dl eodelk pol oler yg terseuy pd dt erdes tgg. Hl eotvs peggu regres opretrk, yg egutk flekslts deg egsusk sooth (ulus) dl rt fugs regres yg tdk dkethu dlh kotu d dferesel. ultvrte dptve regresso sple (ARS) dlh slh stu odel regres opretrk, ytu odel yg egsusk etuk huug fugsol tr vrel respo d predktor tdk dkethu, d epuy etuk fugsol yg fleksel. ARS dlh etode yg dperkelk oleh Fred (99). etode dlh pleets tekk-tekk utuk eyelesk slh regres, deg tuju utuk epredks vrel respo yg erl kotu erdsr eerp vrel predktor. odel ARS dsusu pd pegtur eerp koefse fugs ss d secr keseluruh dkedlk pd dt regres. Hste et l. (00) ey tk hw odel ARS ergu utuk egts perslh dt des tgg yg dkel deg curse of desolty d eghslk predks vrel respo yg kurt, sert utuk 9

2 0 Bg Wdjrko Otok egts keleh regres prts rekursf (RPR) ytu egh slk odel yg kotu pd kot, yg ddsrk pd l geerlzed cross vldto (GCV) u. Oleh kre tu peelt egkj secr teorts pelh odel terk pd ARS deg krter GCV. Sel tu, dlkuk suls d kj stud ksus utuk pleets dr kj teor.. ju Pustk Fred (99) eytk hw odel ARS dlh kos yg koplek tr etode sple deg rekursf prts utuk eghslk ests fugs regres yg kotu. Sple dlh slh stu jes potog polol, ytu polol yg elk sft tersege. Sft tersege eerk flekslts leh drpd polol s, sehgg eugkk utuk eyesuk dr secr leh efektf terhdp krkterstk lokl pd sutu fugs tu dt. Wh (990) eujukk hw sple elk sft - sft sttstk yg ergu utuk eglss huug dl regres. Sple dl regres opretrk terus erkeg sp pd odel dptve (Bler d Fhrer, 00) d ultvrt respo (Holes d llck, 003). Sel tu, He d Sh (998) egegk pedekt ootocty utuk egests fugs ss sple, sedg-k Hll d Opsoer (005) egguk pedekt pelt kudrt terkecl. Regres prts rekursf (RPR) erupk pedekt fugs yg tdk dkethu deg egguk pegeg fugs ss. Sel tu, RPR dlh sutu kosep geoetr yg eg derh deg dsr rtetk, ytu pejulh d perkl. org d Soqust (963) eperkelk R PR dl rset utotc tercto detecto (AID), seljuty org d esseger (973) eeuk het AID (HAID), yg dguk utuk eproduks poho-poho klsfks. Veles d Rpley (994) egguk tur pegklsfks pd etode HAID utuk epredks sutu oyek. odel ARS dguk utuk egts keleh RPR ytu eghslk odel yg kotu pd kot. Beerp perk yg dlkuk utuk egts keterts RPR, tr l eghslk fugs ss ejd: K () q ()() k v( k,) k k B s t q f () Ests dr kurv regres secr uu ddptk ellu pelzed lest squre (PLS) yk euk pers erkut: y f f d Setelh dlkuk odfks odel RPR d dkosk deg sple, esttor odel ARS dpt dtuls seg erkut: deg K fˆ() [()] s t 0 K s 0(,) k v k k k = kostt (ss duk) = koefse dr fugs ss ke- = yky fugs ss (ocostt ss fucto) = derjt terks k = ly v ( k,) = vrel depede t k = l kot dr vrel predktor v ( k,) Deg egguk esttor ARS, k odel ARS dlh : () Sttstk, Vol. 8, No., e 008

3 Pelh odel erk pd rs Respo Kotu deg K y [ s.()]() t B 0(,) k 0 v k k k K B () [ s.()] t k v( k,) k k Dl etuk trks dpt dtuls ejd: Y B ε deg, Y Y, 0 Y (,,) (,,) ε, (,,) K K ()() s t s t K K ()() s t s t B K K ()() s t s t (,) (,) k k (,) (,) k k (,) (,) k k () (3) 3. Ests D GCV odel rs Respo Kotu odel ARS dl pers ( 3), ˆ erupk preter yg k dests dr dt, ellu pelzed lest squre (PLS) yg telh dodfks. Hl djrk dl ukt teore dwh. eore. Deg egguk esttor ARS dl Pers (), d 0 sgulr d preter soothg k pedug dr ˆ dlh deg ˆ () B B D B Y B [,() ] K v,( k,) tk B trk o (4) Bukt: Perhtk pers: y f f d Deg eperhtk, d, B f (,)() ˆ 0 B ' ' f (,)() ˆ 0 B '' '' f (,)() ˆ 0 (5) (6) (7) Sttstk, Vol. 8, No., e 008

4 Bg Wdjrko Otok '' slk, k, deg, f d B () d '' '' (())(())() S 0 [(()) B ] B B '' '' d '' '' [(()) B ]()() d f d d S d J j B () j () B d Sehgg pers d ts ejd tu ASR RP (( y,))() ˆ f J dl etuk trks ASR()()() Y B Y B D D ASR() ASR RP slk, k koefse fugs ss ˆ dperoleh deg euk pers (3) tu (4). Sehgg, ASR() u k ASR() ˆ 0 ˆ Y B D ASR() ˆ [()() Y B ] 0 ˆ ˆ (5) D B Y B Y BY B B ˆ ˆ 0 B Y B B ˆ ˆ 0 B B ˆ () B B D ˆ ˆ ˆ() B B D B Y Peyeles yg derk dl Pers ( 6) dlh euk erupk esttor g ˆ. Jd eore terukt. ASR() (8) (9) (0) () () (3) (4) (6) d Sttstk, Vol. 8, No., e 008

5 Pelh odel erk pd rs Respo Kotu 3 eore. Deg egguk esttor ARS dl pers (), d B trk o sgulr d preter soothg 0 k pedug dr ˆ dlh ˆ () B B B Y (7) K deg B [,() ] v,( k,) tk Bukt: Perhtk pers: y f f d deg 0, k pers d ts ejd: y f Dr Pers (3), k ˆ() f B, sehgg Pers (8) ejd: Y B Y B Y B ()() Z (8) Utuk eperoleh esttor ˆ dguk etode kudrt terkecl, yg pd prspy euuk Z, dytk seg erkut: Y B Z ()() Y B ˆ ˆ B Y Y B B B Z () Y Y ˆ ˆ ˆ ˆ B Y B B Z ( Y Y ) ˆ ˆ ˆ Utuk eperoleh pers orl dlkuk deg euruk secr prsl terhdp ˆ deg hsl seg erkut: Z B Y B B ˆ 0 ˆ B Y B B ˆ 0 B Bˆ B Y (9) kre B trks o sgulr, k - ˆ ( B B) B Y (0) sedgk turu kedu terhdp ˆ dlh Z B B > 0. ˆ Jd eore terukt. Pd peodel ARS, pelh odel dguk etode stepwse. Forwrd stepwse dlkuk utuk edptk fugs deg julh fugs ss ksu. Krter pelh fugs ss pd forwrd stepwse dlh deg euk ASR. Utuk eeuh kosep prseo (odel sederh) dlkuk ckwrd stepwse ytu elh fugs ss yg dhslk dr forwrd stepwse deg euk l geerlzed cross-vldto (GCV). Sttstk, Vol. 8, No., e 008

6 4 Bg Wdjrko Otok Utuk euktk GCV pd odel ARS dperluk eore erkut. eore 3. Jk rk dr P dlh (+) k P elk (+) ut l ege yg tdk erl ol d seyk [N-(+)] ut l ege yg erl ol. Bukt: slk dlh l ege d vektor ege, k: P () 0 jk dklk ejd P P P, sehgg () tu () 0 d P dlh trk depote ( P P ) k. Hl eujukk hw l ege dr P erl seyk (+) d erl 0 seyk [N -(+)], sehgg rk dr trk P s deg (+). eore 4. slk R dlh trks kudrtk deg R () R X X, B dlh fktor Cholesky dr X X. slk U d Q trks dgol sedek hgg UQ U RDR. seljuty, Z X() R U k Z U RX d slk ˆ U()() R R U ˆ k peyeles ˆ dlh: () I + Q ˆ Z Y =(U B)X Y Seljuty Xˆ Zˆ d trks Ht, d S()() Z I + Q Z I + Q Z Z I + Q tr[()] S {() tr } {() }() tr Q Q dlh trk dgol ke- dr Q. deg derjt es, Bukt: d jug, X X D R ()()() R D R R R R DR R ()()()() R I RDR R R U I Q U R U R() X X D R U I Q errt, U R()(())() X X D R U U R ˆ U R X Y tu, () I R ˆ Z Y jug sehgg X ZU () R ˆ () ˆ ˆ. Jd eore 4 terukt. X ZU R Z eore 5. slk dguk odel ARS pd Pers (), k optl dperoleh deg krter GCV seg erkut: (( y,))ˆ f GCV () C() () C ()() C. d deg,, C() =rce(()) B B B B, d 4. Sttstk, Vol. 8, No., e 008

7 Pelh odel erk pd rs Respo Kotu 5 Bukt: Perhtk Pers (3) d esttor fugs ARS kotu dlh ˆ () B B D B Y, k f (,)() ˆ ˆ H Y deg, H()() ˆ B B B D B. Seljuty deg eperhtk pers erkut, ()((,)) CV y f ˆ () d GCV() (( y,)) f [(())] tr I A k yky preter odel ARS sel ss duk, dpt dperoleh deg esusttusk pers (0) ke dl pers (3) seg erkut: Y B[()()]() B B B Y B B B B Y PY () Deg peukt eore 3, k P = () B B B B ˆ erukur ()(). Kre P dlh trk setrs d depote k rce dr trks P s deg rk dr P yg erupk yky preter fugs ss sel kostt d yky preter yg dests, dotsk seg C() =rce(()) B B B Seljuty erdsrk eore 4 d pers (), k peyeut pd GCV, dlh deg, Y B B B D B Y A Y ˆ [()()]() B A()() B B B + D B. Sehgg, tr[()] I A [() tr ] I B B B + D B tr[() B B B ] + D B tr[() B B B ] (())( tr peh pd duk ( 0 B B B B tr BD B + B D B C() (()). tr B B B B d C() B ) tr(() ), sedgk d dsrk erl d 4. Jd eore 5 terukt. B B B B B kre dl odel ARS sellu eltk ss. Berkut dsjk prosedur forwrd d ckwrd:. Prosedur Stepwse Forwrd ARS. Algort. Forwrd Stepwse ( ) B() ; ( ) Loop utl > : lof* ~ ( 3) For = to (-) do: ( 4) For v {v(k,) k K} ( 5) For t {vj B(j) > 0} ( 6) g B ( ) B ( )[ ( v t t)] B ( )[ ( v t)] ( 7) lof,,+ LOF(g) Sttstk, Vol. 8, No., e 008

8 6 Bg Wdjrko Otok ( 8) f (lof < lof*) the (lof* < lof); * ; v* v; t* t; ( 9) ed f (0) ed for () ed for () ed for (3) B ( ) B* ( )[ ( v* t*)] (4) B ( ) B* ( )[ ( v* t*)] (5) (+) (6) ed loop (7) ed lgort Algort () egpleetsk g forwrd pd ARS deg eodfks lgort regres prts rekurs (RPR). Pgkt (q=) pd fugs ss dsusttusk utuk step fucto pd rs 6,, 3. Pret ss fucto dsukk dl eodfks odel pd rs 6 d ssy d updte ellu logk pd rs -4. Perkl fugs ss dpks utuk eperoleh fktor elput vrel yg ered deg kotrol loop ts vrel dl rs 4. Algort k eghslk q= tructed power. Fugs ss erupk suset dr tesor yg legkp, ss deg loks kot pd seu rgl dt yg ered ly. Sepert pd lgort regres prts rekurs (RPR) pd set ss fucto dhlgk deg ckwrd stepwse utuk eghslk set ss fucto khr. Loks kot dhuugk deg pedekt, dguk turu ss pecewse cuc yg kotu pd turu pert, sehgg eghslk odel khr deg turu yg kotu.. Prosedur els ckwrd ARS. Algort (). Bckwrd Stepwse ( ) J*={,,, -; K* K ( ) lof { jj *} LOF[()] jbj j jj * ( 3) For = to do: ~; L K* ( 4) For = to do: K L-{}~; L K* ( 5) lof { } [()] k k K LOF k B k kk ( 6) f (lof < ) the ( lof); K* K; ed f ( 7) f (lof < lof*) the (lof* lof); J* K; ed f ( 8) ed for ( 9) ed for (0) ed lgort hp ckwrd stepwse pd ARS eghslk rego yg overlp. Peug fugs ss pd ARS tdk eghslk lug pd rug vrel predktor (sel ss kost tdk dhlgk). Pd lgort (), rs pert eujukk sl dr fugs ss J* yg dhslk oleh lgort (), setp ters d lur for loop eyek stu fugs ss dug d ddl for loop utuk elh fugs ss. Sel elkuk ckwrd stepwse tdk perh eug kostt ss B()=. Algort k eetuk rs odel seyk (-), setp rs epuy stu fugs ss leh sedkt ddgk deg rs seeluy. odel terk rs erd pd kupul J* st seles seleks. Hl dlh g pd ARS yg eyeleks suodel dl euk predks ests resdul deg krter geerlzed cross vldto (GCV) pd pers (). 4. Hsl Eprs Kj eprs dl peelt elput du hs. Pert dlkuk utuk eujukk hw GCV dpt ekerj deg k dl proses peetu odel ARS Sttstk, Vol. 8, No., e 008

9 Pelh odel erk pd rs Respo Kotu 7 terk. Bg dlkuk deg egguk sutu dt suls utuk fugs yg oler. Kedu dfokusk pd peodel ARS respo kotu pd dt rel ytu es gs ug kedr erh ks solr (opsts) Ekspere suls dl rgk eujukk g odel ARS yg dperkelk dpt ekerj deg k. Krter odel ARS dpt ekerj leh k dlht dr l geerlzed cross vldto ( GCV) terkecl. Kj eprk egguk dt y () suls dlh egu odel kurv regres, f, =,,..., deg fugs: SIULASI : 5 5 f () e deg 50, 00, 50; 0. 05, 0. 5, ; ~( N,) 0 ; X ~( U,) 0 SIULASI : f () s() deg 50, 00, 50; 0. 05, 0. 5, ; ~( N,) 0 ; X ~( U,) 0 Nl GCV deg erg vrs pd fugs, pegt () secr legkp tersj pd el erkut. el. Nl GCV Pd Sple ructed d ARS GCV Fugs Sple ARS 0, , , SIULASI 00 0, , , , , , SIULASI 00 0, , , Berdsrk el, pd odel sple, teryt l GCV sek esr pd odel suls, deg pegt yg sek esr d vrs kost. Sedg pd odel suls, deg pegt yg sek esr d vrs kost eerk l GCV yg sek kecl. Sedgk pd ARS, l GCV sek kecl pd odel suls, deg pegt yg sek esr d vrs kost. Sedg pd odel suls, deg pegt yg sek esr deg vrs = 0,05 eerk l GCV yg sek kecl, tetp pd vrs = 0,5 d l GCV ervrs. Secr keseluruh fugs optl terjd pd vrs kecl deg serg. Sedgk utuk peodel es gs ug erh kr solr (0psts) dpegruh oleh vrel erk (X), odel (X), jes kedr (X3), tpe es (X4), jes turo (X5), thu peut (X6), s slder (cc) (X7) d jrk tepuh (k) (X8). Dl peodel ARS, utuk eperoleh odel terk dsrk julh fugs ss ksu tr ( sp 4) kl julh vrel depede. odel ARS deg vrs ksu oservs d terks tersj dl el. Berdsrk el, odel terk dlh odel 3. Hl dpt dtujukk pd l GCV yg plg kecl d R yg esr. Sehgg odel ARS utuk opsts dytk dl pers erkut: Sttstk, Vol. 8, No., e 008

10 8 Bg Wdjrko Otok f ˆ() BF3.060 BF5 deg, BF = (0, AHUN_P ); BF3 = (ODEL = OR ODEL = 7 OR ODEL = 8 OR ODEL = ); BF5 = (ODEL = 4 OR ODEL = 6 OR ODEL = 7 OR ODEL = 8 OR ODEL = 0 OR ODEL = OR ODEL = ) * BF; Pers d ts dpt dterpretsk seg erkut: () Koefse BF3 Setp peh BF3 seesr stu-stu k ekk Opsts (Y) seesr,0 perse deg egggp BF5 kost. Leh ljut dpt dktk hw peruh kek opsts (Y) terjd pd odel ke dr (ft(), Pther(7), Prego(8) d Kud()) () Koefse BF5 Setp peh BF5 seesr stu-stu k euruk Opsts (Y) seesr,060 perse deg egggp BF3 kost. Leh ljut dpt dktk hw peruh peuru opsts (Y ) terjd pd odel kedr (Everest(4), Elf(6), Pther(7), Prego(8), Colt(0), Kud(), Dy()) deg thu peut d ts thu 995. Vrel yg epegruh opsts dlh odel kedr d thu peut. odel kedr erupk vrel yg petg pert deg kotrus 00 perse dl epegruh es opsts, seljuty thu peut erupk vrel yg petg kedu deg kotrus 59,05 perse. el. Peetu odel ARS terk pd Opsts odel BF I O # BF Ler GCV Kuk R SE. Regresso odel ,7 83, ,859 odel ,53 76,554 0,96 5,6 odel ,7 76,9 0,96 5,6 odel ,785 77,84 0,959 5,9 Keterg: BF= fugs ss, I= ksu terks, O= u oservs pd setp surego 5. Kespul Ests preter pd kurv regres dlkuk deg euk pelzed lestsqures (PLS) yg dodfks ertuju eeuk sutu peyeles 0 d,,...,. Seg telh djrk dl teore d teore dperoleh ests utuk odel ARS respo kotu. Hsl kj eprs eujukk hw GCV dpt ekerj deg k dl eetuk pelh odel terk yg dterpk pd odel ARS respo kotu. Pd khry, hsl kj tetg GCV dktk deg dt rel eerk teu ru, ytu dperolehy pelh odel terk ddsrk pd GCV deg potog regres ler. Dftr Pustk []. Bller, C., d Fhrer, L. 00. Byes vryg-coeffcet odel usg dptve regresso sple. Sttstcl odelg. []. Fred, J. H. 99. ultvrte Adptve Regresso Sples (wth Dscusso). he Als of Sttstcs, 9:-4. [3]. Hll, P., d Opsoer, J. D heory for pelzed sple regresso. Boetrk, 9:- 05. [4]. Hste,., shr, R., d Fred, J. H. 00. he Eleet of Sttstcl Lerg: Dt g, Iferece, d Predcto. Sprger seres Sttstcs, New York. [5]. He, X., d Sh, P oote B-Sple Soothg, Jourl of Aerc Sttstcl Assocto, 93. [6]. Holes, C. C., d llck, B. K Geerlzed Noler odelg wth ultvrte Free- Kot Regresso Sple, Jourl of Aerc Sttstcl Assocto, 98. Sttstk, Vol. 8, No., e 008

11 Pelh odel erk pd rs Respo Kotu 9 [7]. org, J. N., d Soqust, J. S Prole the lyss of survey dt d proposl. Jourl of Aerc Sttstcl Assocto, 58: [8]. org, J., d esseger, R HAID: A sequetl serch progr for the lyss of ol scle depedet vrles. (echcl Report). Isttute for socl Reserch, Uversty of chg, A Aror, chg. [9]. Veles, W. N. d Rpley, B. D oder Appled Sttstc wth S Plus. Sprger Verlg, New York. [0]. Wh, G Sple ethod for Oservtol Dt: Socety for dustrl d Appled thetcs, Phldelph, Peyylvc. Sttstk, Vol. 8, No., e 008

x 1 M = x 1 m 1 + x 2 m x n m n = x i

x 1 M = x 1 m 1 + x 2 m x n m n = x i Iterl Tertetu..6 oe d ust ss Ttk Bert slk d du ed s-s elk ss sesr d y dletkk pd pp er de jrk erturut-turut d d d dr ttk pey pd - y ered. Ked terseut k se jk dpeuh d d. d d Sutu odel tets y k dperoleh pl

Lebih terperinci

BAB VI ANALISIS REGRESI

BAB VI ANALISIS REGRESI BAB VI ANALISIS REGRESI A. Pedhulu Alss regres merupk slh stu lss yg ertuju utuk megethu pegruh sutu vrel terhdp vrel l. Vrel yg mempegruh dseut depedet vrle/vrel es () d vrel yg dpegruh dseut depedet

Lebih terperinci

1 yang akan menghasilkan

1 yang akan menghasilkan Rset Opers Probblstk Teor Per (Ge Theor) Nughthoh Arfw Kurdh, M.Sc Deprteet of Mthetcs FMIPA UNS Lecture 6: Med Strteg: Ler Progrg Method A. Metode Cpur deg Progr Ler Terdpt hubug g ert tr teor per d progr

Lebih terperinci

Jl. HR. Soebrantas No. 155 Simpang Baru, Panam, Pekanbaru,

Jl. HR. Soebrantas No. 155 Simpang Baru, Panam, Pekanbaru, Jurl Ss Mtetk d Sttstk, Vol. No. Jul 6 ISSN 6-5 Metode Guss-Sedel d Geerlss Guss-Sedel utuk Meyelesk Sste Pers Ler Kopleks Cotoh Ksus: SPL Kopleks deg pers d vrel tr ry, Le Tr Lestr, Jurus Mtetk, kults

Lebih terperinci

ESTIMASI INTERVAL SPLINE DALAM REGRESI NONPARAMETRIK

ESTIMASI INTERVAL SPLINE DALAM REGRESI NONPARAMETRIK ESTIASI INTERVAL SPLINE DALA REGRESI NONPARAETRIK uhd N, I Nyo Budtr hssw S Jurus Sttstk FIPA ITS Sury El: _s@yhoo.co Dose Jurus Sttstk FIPA ITS Sury Astrks Derk odel regres opretrk y ( ε, [],,,,. Kurv

Lebih terperinci

Bab 4 ANALISIS REGRESI dan INTERPOLASI

Bab 4 ANALISIS REGRESI dan INTERPOLASI Als Numerk Bh Mtrkuls B 4 ANALISIS RGRSI d INTRPOLASI 4 Pedhulu Pd kulh k dpeljr eerp metde utuk mempredks d megestms dt dskret Dr sutu peelt serg dlkuk peglh dt utuk megethu pl dt tu etuk kurv g dggp

Lebih terperinci

BAB 1 PENDAHULUAN. 1.1 Latar Belakang

BAB 1 PENDAHULUAN. 1.1 Latar Belakang BAB PENDAHULUAN. Ltr Belkg Smp st, model Regres d model Alss Vrs telh dpdg sebg du hl g tdk berkt. Meskpu merupk pedekt g umum dlm meergk kedu cr pd trf permul, model Alss Vrs dpt dpdg sebg hl khusus model

Lebih terperinci

( X ) 2 ANALISIS REGRESI

( X ) 2 ANALISIS REGRESI ANALII REGREI A. PENGERTIAN REGREI ecr umum d du mcm huug tr du vrel tu leh, tu etuk huug d keert huug. Utuk megethu etuk huug dguk lss regres. Utuk keert huug dpt dkethu deg lss korels. Alss regres dperguk

Lebih terperinci

CATATAN KULIAH Pertemuan XIII: Analisis Dinamik dan Integral (1)

CATATAN KULIAH Pertemuan XIII: Analisis Dinamik dan Integral (1) CATATAN KULIAH Pertemu XIII: Alss Dmk d Itegrl () A. Dmk d Itegrs Model Stts : mecr l vrel edoge yg memeuh kods ekulrum tertetu. Model Optms : mecr l vrel plh yg megoptms fugs tuju tertetu. Model Dmk :

Lebih terperinci

A. Pusat Massa Suatu Batang

A. Pusat Massa Suatu Batang Perteu 7 Pust ss sutu Kepg, Setrod, d Teore Pppus A. Pust ss Sutu Btg Dskusk!. slk ss,,..., terletk pd tg pdt sgsg d ttk,...,,, d = jrk errh tr ss ke sutu ttk tetp 0 pd tg,,,...,. ss prtkel, oe prtkel

Lebih terperinci

a home base to excellence Mata Kuliah : Kalkulus Kode : TSP 102 Integral Pertemuan - 6

a home base to excellence Mata Kuliah : Kalkulus Kode : TSP 102 Integral Pertemuan - 6 home se to ecellece Mt Kulh : Klkulus Kode : TSP 0 SKS : SKS Itegrl Pertemu - 6 home se to ecellece TIU : Mhssw dpt memhm tegrl fugs d plksy TIK : Mhssw mmpu mecr tegrl fugs Mhssw mmpu megguk tegrl utuk

Lebih terperinci

HUBUNGAN DERET BERTINGKAT BERDASAR BILANGAN EULERIAN DENGAN OPERATOR BEDA

HUBUNGAN DERET BERTINGKAT BERDASAR BILANGAN EULERIAN DENGAN OPERATOR BEDA HUBUNAN DERET BERTINKAT BERDAAR BILANAN EULERIAN DENAN OPERATOR BEDA Aleder A uw Jurus Mtetk, Fkults s d Tekolog, Uversts B Nustr Jl. K.H. yhd No. 9, Plerh, Jkrt Brt 48 gug@bus.edu ABTRACT Cscde seres

Lebih terperinci

BAB 2 ANAVA 2 JALAN. Merupakan pengembangan dari ANAVA 1 Jalan Jika pada ANAVA 1 jalan 1 Faktor Jika pada ANAVA 2 jalan 2 Faktor

BAB 2 ANAVA 2 JALAN. Merupakan pengembangan dari ANAVA 1 Jalan Jika pada ANAVA 1 jalan 1 Faktor Jika pada ANAVA 2 jalan 2 Faktor BAB ANAVA JALAN Merupk pegembg dr ANAVA 1 Jl Jk pd ANAVA 1 l 1 Fktor Jk pd ANAVA l Fktor Model Ler Asums: Model efek Tetp! 1,..., 1,..., Stu fktor g dtelt Av 1 l k k 1,,..., 1,,..., b k 1,,..., Du fktor

Lebih terperinci

HUBUNGAN DERET BERTINGKAT BERDASARKAN BILANGAN EULERIAN DENGAN OPERATOR BEDA

HUBUNGAN DERET BERTINGKAT BERDASARKAN BILANGAN EULERIAN DENGAN OPERATOR BEDA HUBUNGAN DERET BERTINGKAT BERDAARKAN BILANGAN EULERIAN DENGAN OPERATOR BEDA Aleder A.. Guw Jurus Mtetk d ttstk, Fkults s d Tekolog, Bus Uversty Jl. KH. yhd No. 9, Plerh, Jkrt Brt 48. gug@bus.edu ABTRACT

Lebih terperinci

TEOREMA DERET PANGKAT

TEOREMA DERET PANGKAT TEOEMA DEET PANGKAT Kosep Dsr Deret pgkt erupk sutu etuk deret tk higg 3 + ( + + 3( +... ( disusik,, d koefisie i erupk ilg rel. Julh prsil utuk suku pert etuk di ts dlh s yg dpt ditulisk segi s ( + (

Lebih terperinci

BAB V ANALISIS REGRESI

BAB V ANALISIS REGRESI BAB V ANALISIS REGRESI Setelh mempeljr mhssw dhrpk dpt : Meghtug prmeter regres Melkuk estms d uj prmeter regres 3 Meemuk model regres g tept Dlm kehdup serg dtemuk d sekelompok peuh g dtr terdpt huug,

Lebih terperinci

Metode Fuzzy ASM pada Masalah Transportasi Fuzzy Seimbang

Metode Fuzzy ASM pada Masalah Transportasi Fuzzy Seimbang EMINAR MATEMATIKA AN PENIIKAN MATEMATIKA UNY 7 T - 6 Metode Fuzzy AM pd Mslh Trsports Fuzzy eg olkh eprtee Mtetk Fkults s d Mtetk Uversts poegoro ol_erf@yhooo Astrk Mslh trsports fuzzy erupk geerlss dr

Lebih terperinci

Analisis Variansi satu faktor (Analysis Of Variance / ANOVA)

Analisis Variansi satu faktor (Analysis Of Variance / ANOVA) Alss Vrs stu fktor (Alss Of Vrce / ANOVA) 1. Megethu rcg d eses. Megethu model ler 3. Meuruk Jumlh Kudrt (JK) 4. Melkuk uj lss vrs 5. Melkuk uj perbdg gd Apkh ber kot dlm rokok dpt megkbtk Kker? Sel kker

Lebih terperinci

1. Aturan Pangkat 3. Logartima

1. Aturan Pangkat 3. Logartima KL UN Mtetk MA IPA 9/ No. KL Ruus. Meetuk egs pert g dperoleh dr perk kespul.. p q. p q. p q ~ (p q) = ~p ~q ~ (eu/etp p) = Ad/Beerp ~p p. ~q q r ~ (p q) = ~p ~q ~ (Ad/Beerp p) = eu/etp ~p q ~p p r p q

Lebih terperinci

PRAKTIKUM 10 Penyelesaian Persamaan Linier Simultan Metode Eliminasi Gauss Seidel

PRAKTIKUM 10 Penyelesaian Persamaan Linier Simultan Metode Eliminasi Gauss Seidel Prktkum 0 Peyeles Persm Ler Smult - Metode Elms Guss Sedel PRAKTIKUM 0 Peyeles Persm Ler Smult Metode Elms Guss Sedel Tuu : ler smult Mempelr metode Elms Guss Sedel utuk peyeles persm Dsr Teor : Metode

Lebih terperinci

ANALISIS KINERJA METODE ZERO SUFFIX DALAM MENYELESAIKAN MASALAH TRANSPORTASI FUZZY DAN LINIER

ANALISIS KINERJA METODE ZERO SUFFIX DALAM MENYELESAIKAN MASALAH TRANSPORTASI FUZZY DAN LINIER ANALISIS KINERJA METODE ZERO SUFFIX DALAM MENYELESAIKAN MASALAH TRANSPORTASI FUZZY DAN LINIER Tof Adtyw, Spt Whyugsh 2 Uversts Neger Mlg E l : tofdtyw@yhoo.co.d ABSTRAK: Slh stu slh dl kehdup sehr hr yg

Lebih terperinci

PENCOCOKAN KURVA (CURVE FITTING) INTERPOLASI

PENCOCOKAN KURVA (CURVE FITTING) INTERPOLASI PENCOCOKAN KURVA (CURVE FITTING) Iterpols : Iterpols er Iterpols Kudrtk Iterpols Poloml Iterpols grge Regres : Regres er Regres Ekspoesl Regres Poloml INTERPOASI Iterpols dguk utuk meksr l tr (termedte

Lebih terperinci

DUALITAS DAN ANALISIS SENSITIVITAS

DUALITAS DAN ANALISIS SENSITIVITAS /5/008 DUALITAS DAN ANALISIS SENSITIVITAS Dr. Mohd Adul Mukhy, SE., MM. Prl Prole P ze z cx suject to Ax x 0 optu vlue s z* Dul Prole xze suject to D v π πa c optu vlue s v* Theore. (Strog Dulty) If oth

Lebih terperinci

Volume 1, Nomor 2, Desember 2007

Volume 1, Nomor 2, Desember 2007 Volue Noor Deseer 7 Brekeg Deseer 7. hl.5-3 Vol.. No. SIFAT-SIFAT INTEGRA RIEANN-STIETJES (Propertes O Re-Steltjes Itegrl FRANCIS Y RAWANG HARIANS BATKNDE St Jurus tetk FIPANPATTI Clo St Jurus tetk FIPANPATTI

Lebih terperinci

Batas Nilai Eigen Maksimal Dari Matriks Tak Negatif

Batas Nilai Eigen Maksimal Dari Matriks Tak Negatif Vol. 3 No. 80-85 Ju 007 Bts Nl Ege Mksl D Mtks Tk Negtf A. Kes Jy Abstk Ide ut skps dlh utuk edptk etode dl eetuk bts d l ege ksl d tks tk egtf deg bedsk bts Fobeus. Ytu R d dlh ulh bs tu kolo u d R dlh

Lebih terperinci

INTEGRASI NUMERIK C 1. n ax. ax e. cos( 1 1. n 1. x x. 0 Fungsi yang dapat dihitung integralnya : 0 Fungsi yang rumit misal :

INTEGRASI NUMERIK C 1. n ax. ax e. cos( 1 1. n 1. x x. 0 Fungsi yang dapat dihitung integralnya : 0 Fungsi yang rumit misal : INTEGRASI NUMERIK D dlm klkulus, terdpt du l petg ytu tegrl d turudervtve Pegtegrl umerk merupk lt tu r yg dguk ole lmuw utuk memperole jw mpr proksms dr pegtegrl yg tdk dpt dselesk ser ltk. INTEGRASI

Lebih terperinci

INTEGRASI NUMERIK. n ax. ax e. a 1. Fungsi yang dapat dihitung integralnya : Fungsi yang rumit misal :

INTEGRASI NUMERIK. n ax. ax e. a 1. Fungsi yang dapat dihitung integralnya : Fungsi yang rumit misal : INTEGRASI NUMERIK INTEGRASI NUMERIK D dlm klkulus, terdpt du l petg ytu tegrl d turudervtve Pegtegrl umerk merupk lt tu r yg dguk ole lmuw utuk memperole jw mpr proksms dr pegtegrl yg tdk dpt dselesk ser

Lebih terperinci

PERENCANAAN POLA TANAM TANAMAN PANGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION

PERENCANAAN POLA TANAM TANAMAN PANGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION PERENCANAAN POLA TANAM TANAMAN PANGAN MENGGUNAKAN JARINGAN SYARAF TIRUAN BACKPROPAGATION Syhrudd ), Mohd Is Irw ) ) Mhssw Mgster Jurus Mtetk FMIPA ITS Sury lusthf@yhoo.co ) Dose Jurus Mtetk FMIPA ITS Sury

Lebih terperinci

Pertemuan 7 Persamaan Linier

Pertemuan 7 Persamaan Linier Perteu 7 Pers Liier Ojektif:. Prktik ehi teori dsr Pers Liier. Prktik dpt eyelesik Pers Liier. Prktik dpt eut progr erkisr tetg Pers Liier Pers Liier P7. Teori Pers lier dlh seuh pers ljr, yg tip sukuy

Lebih terperinci

Analisis Variansi satu faktor (Analysis Of Variance / ANOVA)

Analisis Variansi satu faktor (Analysis Of Variance / ANOVA) Alss Vrs stu fktor (Alss Of Vrce / ANOVA) 1. Desg d coduct expermets volvg sgle. Uderstd how the ov s used to lze the dt from these expermets 3. Assess model dequc wth resdul plots 4. Use multple comprso

Lebih terperinci

Analisis Variansi satu faktor Single Factor Analysis Of Variance (ANOVA)

Analisis Variansi satu faktor Single Factor Analysis Of Variance (ANOVA) BAB 1 Alss Vrs stu fktor Sgle Fctor Alss Of Vrce (ANOVA) ANALISIS VARIANSI SATU FAKTOR D MetStt 1 sudh dkel uj hpotess rt-rt du populs A d B g berdstrbus Norml Bgm jk terdpt lebh dr du populs? Alss vrs

Lebih terperinci

INTEGRAL DELTA DAN SIFAT-SIFATNYA. Delta Integral and Properties of Delta Integral

INTEGRAL DELTA DAN SIFAT-SIFATNYA. Delta Integral and Properties of Delta Integral Jurl Brekeg Vol. 7 No. Hl. 3 8 (03) INTEGRAL DELTA DAN SIFAT-SIFATNYA Delt Itegrl d Propertes of Delt Itegrl MOZART WINSTON TALAKUA, MARLON STIVO NOYA VAN DELSEN Stf Jurus Mtemtk, FMIPA, Uptt Alum Jurus

Lebih terperinci

Dr.Eng. Agus S. Muntohar Department of Civil Engineering

Dr.Eng. Agus S. Muntohar Department of Civil Engineering Pertemu ke-7 Persm Ler Smult Oktober 0 Metode Iters Guss-Sedel Dr.Eg. Agus S. Mutohr Deprtmet of Cvl Egeerg Metode Guss-Sedel Merupk metode ters. Prosedur umum: - Selesk ser lbr vrbel tdk dkethu msg-msg

Lebih terperinci

Bab 1. Anava satu. Analisis Variansi (Analysis Of Variance / ANOVA) satu faktor

Bab 1. Anava satu. Analisis Variansi (Analysis Of Variance / ANOVA) satu faktor Bb 1 Av stu Alss Vrs (Alss Of Vrce / ANOVA) stu fktor Lerg Objectves 1. Desg d coduct expermets volvg sgle d two fctors. Uderstd how the ov s used to lze the dt from these expermets 3. Assess model dequc

Lebih terperinci

CNH2B4 / KOMPUTASI NUMERIK

CNH2B4 / KOMPUTASI NUMERIK CNHB4 / KOMPUTASI NUMERIK TIM DOSEN KK MODELING AND COMPUTATIONAL EXPERIMENT PENCOCOKAN KURVA Pedhulu Dt g bersl dr hsl pegmt lpg pegukur tu tbel g dmbl dr buku-buku cu. Nl tr turu tegrl mudh dcr utuk

Lebih terperinci

REGRESI. Curve Fitting. Regresi Eksponensial. Regresi 1

REGRESI. Curve Fitting. Regresi Eksponensial. Regresi 1 REGRESI Curve Fttg Regres Ler Regres Ekspoesl Regres Poloml Regres Curve Fttg: Ksus Dberk dt berup kumpul ttk-ttk dskrt. Dperluk estms / perkr utuk medptk l dr ttk-ttk g berd d tr ttk-ttk dskrt t tersebut

Lebih terperinci

REGRESI. Curve Fitting Regresi Linier Regresi Eksponensial Regresi Polynomial. Regresi 1

REGRESI. Curve Fitting Regresi Linier Regresi Eksponensial Regresi Polynomial. Regresi 1 REGRESI Curve Fttg Regres Ler Regres Ekspoesl Regres Poloml Regres Curve Fttg: Ksus Dberk dt berup kumpul ttk-ttk dskrt. Dperluk estms / perkr utuk medptk l dr ttk-ttk g berd d tr ttk-ttk dskrt tersebut

Lebih terperinci

BAB IV INTEGRAL RIEMANN

BAB IV INTEGRAL RIEMANN Itegrl Rie BAB IV INTEGRAL RIEMANN Utuk epeljri leih ljut tetg kosep itegrl Rie, k leih ik jik pec ehi eerp hl erikut. A. Prtisi Defiisi 4.1 Dierik itervl tertutup [, ], hipu terurut d erhigg P = { = x

Lebih terperinci

Bab 4 ANAKOVA (ANALISIS KOVARIANSI)

Bab 4 ANAKOVA (ANALISIS KOVARIANSI) Bb 4 ANAKOVA (ANALISIS KOVARIANSI) ANAVA vs ANREG ANAVA ANREG megu perbdg vrbel tergtug () dtu dr vrbel bebs () mempredks vrbel tergtug () mellu vrbel bebs () Ksus: Peelt deg vrbel : 1 Prests Mhssw Kemmpu

Lebih terperinci

Metode Numerik. Integrasi Numerik. Umi Sa adah Politeknik Elektronika Negeri Surabaya 2012 PENS-ITS

Metode Numerik. Integrasi Numerik. Umi Sa adah Politeknik Elektronika Negeri Surabaya 2012 PENS-ITS Itegrs Numerk Um S d Poltekk Elektrok Neger Sury Topk Itegrl Rem Trpezod Smpso / Smpso /8 Kudrtur Guss ttk Kudrtur Guss ttk INTEGRASI NUMERIK D dlm klkulus, terdpt du l petg ytu tegrl d turudervtve Pegtegrl

Lebih terperinci

INTEGRASI NUMERIK. n ax. ax e. n 1. x x. Fungsi yang dapat dihitung integralnya : Fungsi yang rumit misal :

INTEGRASI NUMERIK. n ax. ax e. n 1. x x. Fungsi yang dapat dihitung integralnya : Fungsi yang rumit misal : INTEGRASI NUMERIK D dlm klkulus, terdpt du l petg ytu tegrl d turudervtve Pegtegrl umerk merupk lt tu r yg dguk ole lmuw utuk memperole jw mpr proksms dr pegtegrl yg tdk dpt dselesk ser ltk. INTEGRASI

Lebih terperinci

GEOMETRI EUCLID EG(2, p n ) UNTUK MEMBENTUK RANCANGAN BLOK TIDAK LENGKAP SEIMBANG

GEOMETRI EUCLID EG(2, p n ) UNTUK MEMBENTUK RANCANGAN BLOK TIDAK LENGKAP SEIMBANG GEOMETRI EUCLID EG(, p ) UNTUK MEMBENTUK RANCANGAN BLOK TIDAK LENGKAP SEIMBANG Bmg Irwto d Yu Hdyt Jurus Mtemtk FMIPA UNDIP Jl. Prof. H. Soedrto, S.H, Semrg 5075 Astrt. A Bled Iomplete Blok (BIB) desg

Lebih terperinci

1. Bilangan Berpangkat Bulat Positif

1. Bilangan Berpangkat Bulat Positif N : Zui Ek Sri Kels : NPM : 800 BILANGAN BERPANGKAT DAN BENTUK AKAR A. Pgkt Bilg Bult. Bilg Berpgkt Bult Positif Dl kehidup sehri-hri kit serig eeui perkli ilg-ilg deg fktor-fktor yg s. Mislk kit teui

Lebih terperinci

Didownload dari ririez.blog.uns.ac.id

Didownload dari ririez.blog.uns.ac.id A. METODE PROGRAM LINIER Terdpt hubug g ert tr teor per d progr ler kre setp betuk per berulh ol dr du org (g berhgg) dpt dtk sebg sutu betuk progr ler d seblk, setp perslh progr ler dpt dsk sebg sutu

Lebih terperinci

Model Tak Penuh. Definisi dapat di-uji (testable): nxp

Model Tak Penuh. Definisi dapat di-uji (testable): nxp Model T Peuh Defs dpt d-u (testle): Sutu c c 'c 'c H 'c 'c dpt du l d stu set fugs g dpt - ddug m m ' sehgg H er c ' ' slg es ler tu C c ' c m ' Perht : Kre r X p r p m m r c' (X' X) c X' X c' C(X' X)

Lebih terperinci

PENYELESAIAN MASALAH PL DENGAN METODE SIMPLEKS

PENYELESAIAN MASALAH PL DENGAN METODE SIMPLEKS PENYELESAIAN MASALAH PL DENGAN METODE SIMPLEKS Metode ple erup utu te tdr g dgu utu eech lh Progr Ler e thu 9. Pd prp etode ple ecr peele optl deg eetu tt-tt udut dr derh fele proe dlu erulg-ulg dr utu

Lebih terperinci

Metode Numerik. Integrasi Numerik. Umi Sa adah Politeknik Elektronika Negeri Surabaya 2012 PENS-ITS

Metode Numerik. Integrasi Numerik. Umi Sa adah Politeknik Elektronika Negeri Surabaya 2012 PENS-ITS Itegrs Numerk Um S d Poltekk Elektrok Neger Sury Topk Itegrl Rem Trpezod Smpso / Smpso /8 Kudrtur Guss ttk Kudrtur Guss ttk INTEGRASI NUMERIK D dlm klkulus, terdpt du l petg ytu tegrl d turudervtve Pegtegrl

Lebih terperinci

Solusi Sistem Persamaan Linear

Solusi Sistem Persamaan Linear Sos Sstem Persm Ler Sstem persm er: h persm deg h kow j d dketh, j,,, j? So: z 6 z z () () () persm d kow Jw: z 6.5 z.5 z () () () ems : pers. ().5 pers. () pers. ().5 pers. () z 6.5 z 8z 8 () () () ems

Lebih terperinci

Kajian Metode Estimasi Parameter dalam Regresi Semiparametrik Spline

Kajian Metode Estimasi Parameter dalam Regresi Semiparametrik Spline W. Wowo, S. Hrytm, I N. Budtr, Kj Metode Estms Prmeter... Kj Metode Estms Prmeter dlm egres Semrmetrk Sle Whyu Wowo, Sr Hrytm, I Nyom Budtr whyu.stk@gml.com Jurus Mtemtk, Uversts Gdjh Md Yogykrt Jurus

Lebih terperinci

Pendahuluan Pengantar Metode Simpleks. Fitriani Agustina, Math, UPI

Pendahuluan Pengantar Metode Simpleks. Fitriani Agustina, Math, UPI Pedhulu Pegtr Metode Sipleks Fitrii Agusti, Mth, METODE SIMPLEKS (PRIMAL) Mslh Progr Lier Mslh Progr Lier dl Betuk Mtriks Ketetu dl Betuk Stdr Mslh PL Betuk Stdr Mslh Progr Lier Betuk Stdr Pets Lier Betuk

Lebih terperinci

Menaksir Matriks Teknologi Kota Cimahi Berdasarkan Tabel Input Output Provinsi Jawa Barat Menggunakan Metode Location Quontient

Menaksir Matriks Teknologi Kota Cimahi Berdasarkan Tabel Input Output Provinsi Jawa Barat Menggunakan Metode Location Quontient Sttstk, Vol. 9 No., 75 8 Nopemer 9 eksr trks Tekolog Kot Cmh Berdsrk Tel Iput utput Provs Jw Brt egguk etode octo Quotet TETI SFIA ANTI Jurus Sttstk Uversts Islm Bdug Eml: utet@yhoo.com ABSTRAK Tel Iput

Lebih terperinci

CURVE-FITTING dan INTERPOLASI

CURVE-FITTING dan INTERPOLASI CURVE-FIING d INERPOLASI Mer Kulh: Pegr; Regres Ler; Regres Polol; Regres Ler Bergd Ierpols Ler; Ierpols Kudr; Ierpols Polol Newo & Lgrge PENGANAR D-d g ers dskr dp du couu ellu proses curve-g. Curve-g

Lebih terperinci

Sifat-sifat Super Matriks dan Super Ruang Vektor

Sifat-sifat Super Matriks dan Super Ruang Vektor Sift-sift Super Mtriks d Super Rug Vektor Cturiyti Jurus Pedidik Mtetik FMIPA UNY wcturiyti@yhoo.co Abstrk Sutu triks yg elee-eleey erupk bilg disebut deg triks sederh tu lebih dikel deg triks. Sedgk supertriks

Lebih terperinci

DIGRAF EKSENTRIS PADA DIGRAF SIKEL, DIGRAF KOMPLIT DAN DIGRAF KOMPLIT MULTIPARTIT. Jl. Prof. H. Soedarto SH Semarang 50275

DIGRAF EKSENTRIS PADA DIGRAF SIKEL, DIGRAF KOMPLIT DAN DIGRAF KOMPLIT MULTIPARTIT. Jl. Prof. H. Soedarto SH Semarang 50275 DIGRAF ESENTRIS PADA DIGRAF SIEL DIGRAF OMPLIT DAN DIGRAF OMPLIT MULTIPARTIT Reto tur umlsr d Luc Rtsr Jurus Mtemtk FMIPA UNDIP Jl Prof H Soedrto SH Semrg 5075 Abstrct The eccetrc dgrph of dgrph ED ( D)

Lebih terperinci

PEMECAHAN SISTEM PERSAMAAN LINIER NON HOMOGEN DENGAN METODE SAPUAN GANDA CHOLESKY. Oleh : Yusup Fakultas Ilmu Komputer, Universitas AKI Semarang

PEMECAHAN SISTEM PERSAMAAN LINIER NON HOMOGEN DENGAN METODE SAPUAN GANDA CHOLESKY. Oleh : Yusup Fakultas Ilmu Komputer, Universitas AKI Semarang PEMECAHAN SISTEM PERSAMAAN LINIER NON HOMOGEN DENGAN METODE SAPUAN GANDA CHOLESKY Oleh : Yusup Fkults Ilmu Komputer, Uversts AKI Semrg Astrt The frto of No Homoge Lerty Ajustmet System towr Cholesky Doule

Lebih terperinci

DEFINISI INTEGRAL. ' untuk

DEFINISI INTEGRAL. ' untuk DEINISI INTEGRAL Dlm mtemtk d eerp stl sepert des, teorem, lemm Istl petg kre meujuk keeksstes Des dl peryt yg erl er kre dsepkt, d tdk perlu duktk Teorem dl peryt yg dpt duktk keery Lemm dl teorem kecl,

Lebih terperinci

1. Kepekatan bakteria pencemar p(t), di dalam secawan teh tarik yang dibiarkan selama beberapa jam diberikan oleh: p(t) = 50e -1.5t + 15e -0.

1. Kepekatan bakteria pencemar p(t), di dalam secawan teh tarik yang dibiarkan selama beberapa jam diberikan oleh: p(t) = 50e -1.5t + 15e -0. KKKF BAHAGAN A 6 MARKAH Arh : Jw SEMUA sol. Kepekt kter pecemr pt, d dlm secw teh trk yg drk selm eerp jm derk oleh: pt = 5e -.5t + 5e -.75t Crk ms, t, dlm ut jm yg dperluk utuk kter jk kepekt yg dkehedk

Lebih terperinci

BAB III LIMIT FUNGSI DAN KEKONTINUAN

BAB III LIMIT FUNGSI DAN KEKONTINUAN BAB III LIMIT FUNGSI DAN KEKONTINUAN 3. Pedhulu Seelu hs liit fugsi di sutu titik terleih dhulu kit k egti perilku sutu fugsi f il peuh edekti sutu ilg ril tertetu. Misl terdpt sutu fugsi f() = + 4. Utuk

Lebih terperinci

PRAKTIKUM 22 Interpolasi Linier, Kuadratik, Polinomial, dan Lagrange

PRAKTIKUM 22 Interpolasi Linier, Kuadratik, Polinomial, dan Lagrange Prktkum. Iterpols Ler, Kudrtk, Poloml d Lgrge PRAKTIKUM Iterpols Ler, Kudrtk, Poloml, d Lgrge Tuju : Mempeljr berbg metode Iterpols g d utuk meetuk ttkttk tr dr buh ttk deg megguk sutu fugs pedekt tertetu.

Lebih terperinci

INTEGRASI NUMERIK. n ax. ax e. n 1. Fungsi yang dapat dihitung integralnya : Fungsi yang rumit misal :

INTEGRASI NUMERIK. n ax. ax e. n 1. Fungsi yang dapat dihitung integralnya : Fungsi yang rumit misal : INTEGRASI NUMERIK Pegtr Pegtegrl umerk merupk lt tu r yg dguk ole lmuw utuk memperole jw mpr proksms dr pegtegrl yg tdk dpt dselesk ser ltk. Msly dlm termodmk, model Deye utuk megtug kpsts ps dr ed pdt.

Lebih terperinci

matematika PEMINATAN Kelas X SIFAT-SIFAT EKSPONEN K13 A. DEFINISI EKSPONEN B. SIFAT-SIFAT BENTUK PANGKAT

matematika PEMINATAN Kelas X SIFAT-SIFAT EKSPONEN K13 A. DEFINISI EKSPONEN B. SIFAT-SIFAT BENTUK PANGKAT K1 Kels X tetik PEMINATAN SIFAT-SIFAT EKSPONEN TUJUAN PEMBELAJARAN Setelh epeljri teri ii, ku dihrpk eiliki kepu erikut. 1. Mehi defiisi ekspoe.. Mehi sift-sift etuk pgkt.. Mehi sift-sift etuk kr.. Megguk

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI BAB LANDASAN TEORI. Alss Regres Alss regres dlh tekk sttstk yg ergu utuk memerks d memodelk huug dtr vrel-vrel. Peerpy dpt djump secr lus d yk dg sepert tekk, ekoom, mjeme, lmu-lmu olog, lmu-lmu sosl,

Lebih terperinci

EKSPONEN/PANGKAT, BENTUK AKAR, DAN LOGARITMA. Bilangan a (a 0) disebut basis atau bilangan pokok, sedangkan n disebut pangkat atau eksponen.

EKSPONEN/PANGKAT, BENTUK AKAR, DAN LOGARITMA. Bilangan a (a 0) disebut basis atau bilangan pokok, sedangkan n disebut pangkat atau eksponen. EKSPONEN/PANGKAT, BENTUK AKAR, DAN LOGARITMA theresivei.wordpress.o A. BENTUK PANGKAT BULAT. Pgkt Bult Positif Igt: 5 5 = (-) = -() = Defiisi Bilg erpgkt ult positif : Mislk ilg ult positif d ilg Rel,

Lebih terperinci

Induksi Dan Rekursi. Bab IV Induksi Pada Bilangan Asli (Natural) Bilangan Asli

Induksi Dan Rekursi. Bab IV Induksi Pada Bilangan Asli (Natural) Bilangan Asli Bb IV Iduks D Rekurs 4.. Iduks Pd Blg Asl (Nturl) Bsy, duks tets tu dsebut jug duks legkp (coplete ducto) plg byk dguk dl do blg turl. Khususy, dl duks, dsusk bhw sutu sft tertetu yg egguk blg sl terkecl,

Lebih terperinci

Pendahuluan Aljabar Vektor Matrik

Pendahuluan Aljabar Vektor Matrik Pedhulu Aljr Vektor trik Defiisi: trik A erukur x ilh sutu susu gk dl ersegi et ukur x, segi erikut: = A tu A = ( ij ) Utuk eytk elee trik A yg ke (i,j), yitu ij, diguk otsi (A) ij. Ii errti ij = (A) ij.

Lebih terperinci

F 2 (c,0) yang berarti F 1 (-c, 0) dan F 2 (c, 0), b 2 =a 2 c 2 atau a 2 = b 2 +c 2 dan p (x,y) terletak ada elips. 4cx = 4a 2 2 2

F 2 (c,0) yang berarti F 1 (-c, 0) dan F 2 (c, 0), b 2 =a 2 c 2 atau a 2 = b 2 +c 2 dan p (x,y) terletak ada elips. 4cx = 4a 2 2 2 B III : Ligkr 7 5.. DEFINISI Ellips dlh tept keduduk titik g julh jrk terhdp du titik tertetu tetp hrg. F (titik tetp) erupk erks gris g diseut direkstriks, F (-,) F (,) diseut eksetrisits (e). e = AB

Lebih terperinci

3SKS-TEKNIK INFORMATIKA-S1

3SKS-TEKNIK INFORMATIKA-S1 SKS-TEKNIK INFORMATIKA-S Momd Sdq PERTEMUAN : 9- INTEGRASI NUMERIK METODE NUMERIK TEKNIK INFORMATIKA S SKS Momd Sdq MATERI PERKUIAHAN SEBEUM-UTS Pegtr Metode Numerk Sstem Blg d Kesl Peyj Blg Bult & Pe

Lebih terperinci

Saintek Vol 5. No 3 Tahun Penyelesaian Analitik dan Pemodelan Fungsi Bessel

Saintek Vol 5. No 3 Tahun Penyelesaian Analitik dan Pemodelan Fungsi Bessel Sitek Vol 5. No 3 Thu 1 Peyelesi Alitik d Peodel Fugsi Bessel Lily Yhy Jurus Mtetik Fkults MIPA Uiersits Negeri Gorotlo bstrk Dl klh ii k dilkuk peyelesi litik d peodel pers diferesil Bessel sert eujukk

Lebih terperinci

PRAKTIKUM 12 Regresi Linier, Regresi Eksponensial dan Regresi Polinomial

PRAKTIKUM 12 Regresi Linier, Regresi Eksponensial dan Regresi Polinomial Prktkum. Regres Regres Ler, Regres Ekspoesl, d Regres Poloml Poltekk Elektrok eger Surb ITS 47 PRAKTIKUM Regres Ler, Regres Ekspoesl d Regres Poloml. Tuju : Mempeljr metode peeles regres ler, ekspoesl

Lebih terperinci

ANALISIS KINERJA METODE ASM DALAM MENYELESAIKAN MASALAH TRANSPORTASI FUZZY DAN LINIER

ANALISIS KINERJA METODE ASM DALAM MENYELESAIKAN MASALAH TRANSPORTASI FUZZY DAN LINIER ANALISIS KINERJA METODE ASM DALAM MENYELESAIKAN MASALAH TRANSPORTASI FUZZY DAN LINIER D Arvto 1, Spt Whyugsh 2 Uversts Neger Mlg E l : d_rvto@yhoo.co.d ABSTRAK: Mslh trsports fuzzy d ler erupk slh stu

Lebih terperinci

Tekun dan Teliti adalah Kunci Keberhasilan Anda PEMROGRAMAN LINEAR

Tekun dan Teliti adalah Kunci Keberhasilan Anda PEMROGRAMAN LINEAR Teku d Telt dlh Kuc Keberhsl Ad PEMROGRAMAN LINEAR Pdg bg Rset Opers berkut: TSP MP Trss Trsp Network PD PL PNL P Progr Ler (PL) erupk bg dr rset opers (RO) g erupk kupul etode peeles slh-slh t secr tets.

Lebih terperinci

PRAKTIKUM 8 Penyelesaian Persamaan Linier Simultan Metode Eliminasi Gauss

PRAKTIKUM 8 Penyelesaian Persamaan Linier Simultan Metode Eliminasi Gauss Prktkum 8 Peyeles Persm Ler Smult Metode Elms Guss PRAKTIKUM 8 Peyeles Persm Ler Smult Metode Elms Guss Tuju : Mempeljr metode Elms Guss utuk peyeles persm ler smult Dsr Teor : Metode Elms Guss merupk

Lebih terperinci

SIAP UN MATEMATIKA IPS SMA PAHOA 1. LOGIKA MATEMATIKA. Rumus negasi. ~ (p q) = ~p ~q. indikator: Kunci menghafal. Konjungsi (da ) : B B = B

SIAP UN MATEMATIKA IPS SMA PAHOA 1. LOGIKA MATEMATIKA. Rumus negasi. ~ (p q) = ~p ~q. indikator: Kunci menghafal. Konjungsi (da ) : B B = B SIAP UN MATEMATIKA IPS SMA PAHOA N: Kes : IPS dut oeh: Joo Setw, ST, MT ( 8-8 - ) eurut ks-ks UN - Ruus egs LOGIKA MATEMATIKA dktor: Meetuk gkr tu kesetr dr sutu pert jeuk tu pert erkutor Meetuk kespu

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 6 A LADASA EORI Pd bb k dbh beberp koep-koep dr yg berhubug d edukug peetu olu optl lh progr ler pretrk Deg dek, k eperudh dl hl pebh pd bb berkuty Progr Ler Progr ler erupk utu etode opt yg dpt dpk utuk

Lebih terperinci

MATEMATIKA TEKNIK 2 3 SKS TEKNIK ELEKTRO UDINUS

MATEMATIKA TEKNIK 2 3 SKS TEKNIK ELEKTRO UDINUS MATEMATIKA TEKNIK SKS TEKNIK ELEKTRO UDINUS Integrl Fungs Kompleks 4 INTEGRAL FUNGSI KOMPLEKS Sepert hlny dlm fungs rl, dlm fungs kompleks jug dkenl stlh ntegrl fungs kompleks sert sft-sftny Sft kenltkn

Lebih terperinci

Teknik Komputasi Ujian Akhir Semester (UAS)

Teknik Komputasi Ujian Akhir Semester (UAS) Tekk Komputs U Akhr Semester UAS Dose : Dr. Ir. Nzor Az MT. Nm : Yog Prhstomo NIM : 06006 Kels : XB MAGISTER ILMU KOMPUTER UNIVERSITAS BUDI LUHUR 0 Hlm 0 Tekk Komputs: U Akhr Semester UAS A. Sol Dkethu

Lebih terperinci

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI MENGGUNAKAN KOEFISIEN REGRESI ROBUST PADA SAMPING ACAK SEDERHANA.

PENAKSIR RASIO YANG EFISIEN UNTUK RATA-RATA POPULASI MENGGUNAKAN KOEFISIEN REGRESI ROBUST PADA SAMPING ACAK SEDERHANA. PENAKI AIO ANG EFIIEN UNTUK ATA-ATA POPULAI MENGGUNAKAN KOEFIIEN EGEI OUT PADA AMPING ACAK EDEHANA M Okto Mork Arsm Ad Hpos rt moktomoo@hoo.co.d Mhssw Progrm Mtemtk Dose Jurus Mtemtk Fkults Mtemtk d Ilmu

Lebih terperinci

MENENTUKAN KOEFISIEN REGRESI EKSPONENSIAL DENGAN METODE KUADRAT TERKECIL SEDERHANA DAN METODE KUADRAT TERKECIL BERBOBOT

MENENTUKAN KOEFISIEN REGRESI EKSPONENSIAL DENGAN METODE KUADRAT TERKECIL SEDERHANA DAN METODE KUADRAT TERKECIL BERBOBOT MENENTUKAN KOEFISIEN REGRESI EKSPONENSIAL DENGAN METODE KUADRAT TERKECIL SEDERHANA DAN METODE KUADRAT TERKECIL BERBOBOT Rz Phlev, Arsm Ad, Sgt Sugrto Mhssw Progrm Stud S Mtemtk Dose Jurus Mtemtk Fkults

Lebih terperinci

BAB 6 FITTING DATA ˆ (6.1) (6.2) (6.3) =. Nilai akan. akan minimum jika. minimum. Misal. 0. Jika ini dikerjakan maka akan diperoleh nilai

BAB 6 FITTING DATA ˆ (6.1) (6.2) (6.3) =. Nilai akan. akan minimum jika. minimum. Misal. 0. Jika ini dikerjakan maka akan diperoleh nilai BAB 6 FITTIG DATA Atu dseut dengn penookn dt tu menentukn kurv terk ng mellu set dt (sekumpuln dt) dengn keslhn mnmum. Ukurn keslhn dlh E (root men squre, kr kudrt rt-rt). Ad eerp mm pol fttng dt: menurut

Lebih terperinci

Bentuk Umum Perluasan Teorema Pythagoras

Bentuk Umum Perluasan Teorema Pythagoras Jrl Grde Vol No Jr 6 : 9-4 Betk Umm Perls Teorem Pythors Ml stt By Kerm Ulsr les Jrs Mtemtk Fklts Mtemtk d Ilm Peeth lm Uversts Bekl Idoes Dterm Septemer 5; dset Desemer 5 strk - Peelt memhs perls teorem

Lebih terperinci

PENENTUAN NILAI AWAL PARAMETER RELATIF ORIENTASI FOTO STEREO MENGGUNAKAN METODE SINGULAR VALUE DECOMPOSITION

PENENTUAN NILAI AWAL PARAMETER RELATIF ORIENTASI FOTO STEREO MENGGUNAKAN METODE SINGULAR VALUE DECOMPOSITION Spectr Noor 6 Volue VIII Jul 00: 54-63 PENENTUN NII W PRMETER RETIF ORIENTSI FOTO STEREO MENGGUNKN METODE SINGUR VUE DECOMPOSITION eo Pte Dose Progr Stud Tekk Geodes FTSP ITN Mlg STRKSI Peetu l poss d

Lebih terperinci

BAB 1 PENDAHULUAN. perkebunan karet. Karet merupakan Polimer hidrokarbon yang terkandung pada

BAB 1 PENDAHULUAN. perkebunan karet. Karet merupakan Polimer hidrokarbon yang terkandung pada BAB PENDAHULUAN. Ltr Belkg Sektor perkebu merupk sub sektor pert yg mejd slh stu fktor yg dpt medukug kegt perekoom d Idoes. Slh stu sub sektor perkebu yg cukup besr potesy dlm perekoom Idoes dlh perkebu

Lebih terperinci

PANGKAT & AKAR (INDICES & SURDS)

PANGKAT & AKAR (INDICES & SURDS) PANGKAT & AKAR (INDICES & SURDS) Ksus Hituglh? A PANGKAT (EKSPONEN) Ksus Perhtik hw x x Terliht hw d tig uh gk yg diklik d jik d gk seyk uh, k seyk Secr uu, disipulk Igt keli ruus pert Secr uu disipulk

Lebih terperinci

PENERAPAN METODE ANALYTIC HIERARCHY PROCESS DALAM SISTEM PENUNJANG KEPUTUSAN UNTUK PEMILIHAN ASURANSI. Fitria Rahma Sari dan Dana Indra Sensuse

PENERAPAN METODE ANALYTIC HIERARCHY PROCESS DALAM SISTEM PENUNJANG KEPUTUSAN UNTUK PEMILIHAN ASURANSI. Fitria Rahma Sari dan Dana Indra Sensuse PENERAPAN METODE ANALYTIC HIERARCHY PROCESS DALAM SISTEM PENUNJANG KEPUTUSAN UNTUK PEMILIHAN ASURANSI Ftr Rhm Sr d D Idr Sesuse Fkults Ilmu Komputer, Uversts Idoes, Depok, Idoes d@cs.u.c.d Astrk Memlh

Lebih terperinci

Estimasi Bayesian untuk Penentuan Besarnya Pengaruh Genetik terhadap Sifat Fenotip dan Studi Simulasinya

Estimasi Bayesian untuk Penentuan Besarnya Pengaruh Genetik terhadap Sifat Fenotip dan Studi Simulasinya sts Bes utuk Peetu Besr Pegruh Geetk terhd St Feot d Stud Suls d Setw d_set_@hoo.o Progr Stud Mtetk Fkults Ss d Mtetk Uversts Krste St W Jl. Doegoro 5-6 Sltg 57 Idoes strt Tws tht hve rtulr tegorl trt

Lebih terperinci

MATERI LOGARITMA. Oleh : Hartono

MATERI LOGARITMA. Oleh : Hartono MATERI LOGARITMA Oleh : Hrtoo Mteri dispik pd Peltih Mpel Mtetik SMA/ SMK Progr Pscsrj UNY Yogykrt 01 Kopetesi Kopetesi yg dihrpk dicpi oleh pr pesert setelh ebc odul ii d egikuti peltih dlh pu : ehi kosep

Lebih terperinci

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: 30-37

Jurnal Matematika Murni dan Terapan Vol. 4 No.2 Desember 2010: 30-37 Jurl Mtemtk Mur d Terp Vol. 4 No. Desember : - 7 PENGGUNN BENTUK SMITH UNTUK MENENTUKN BENTUK KNONIK MTRIKS NORML DENGN ENTRI-ENTRI BILNGN KOMPLEKS Thresye Progrm Stud Mtemtk Uversts Lmbug Mgkurt Jl. Jed..

Lebih terperinci

Titik Biasa dan Titik Singular Misalkan ada suatu persamaan diferensial orde dua h(x)y + p(x)y + q(x)y = 0 (3)

Titik Biasa dan Titik Singular Misalkan ada suatu persamaan diferensial orde dua h(x)y + p(x)y + q(x)y = 0 (3) PERSAMAAN LEGENDRE Fugi Rel Alitik Sutu fugi f( diktk litik pd jik fugi itu dpt diytk dl deret pgkt deg rdiu kovergei poitif. f ( ( + ( + ( + ( +... dl elg kovergeiy diperoleh f ( ( f '( f "(. f '''(......

Lebih terperinci

METODE UNWEIGHTED MEANS UNTUK FAKTORIAL TAK SEIMBANG DISPROPORSIONAL

METODE UNWEIGHTED MEANS UNTUK FAKTORIAL TAK SEIMBANG DISPROPORSIONAL METODE UNWEIGHTED MEANS UNTUK AKTORIAL TAK SEIMBANG DISPROPORSIONAL Trstut Wurydr Jurus Mtemtk MIPA UNDIP Jl Prof H Soedrto, SH, Semrg 5075 Astrct A fctorl desg should e used whe there re severl fctors

Lebih terperinci

I PENDAHULUAN II LANDASAN TEORI

I PENDAHULUAN II LANDASAN TEORI I PENDAHULUAN Ltr Belg Istlh Pemrogrm Geometr (PG) dperel oleh Duff, Peterso, d Zeer pd thu 967 Istlh dmbl dr mslh-mslh geometr g dpt dformuls sebg PG Pemrogrm Geometr dlh sutu tpe mslh optmlss mtemt g

Lebih terperinci

BAB 2 LANDASAN TEORI

BAB 2 LANDASAN TEORI 6 BAB LANDASAN TEORI Dl k duk ege etode-etode lh d teo-teo yg dguk dl peyeles pesol utuk eetuk odel pog le dl poduks Teh pd PT.Pekeu Nust IV Med.. Peget Lus Poduks Pd uuy poduks sutu peush d eg es. Ad

Lebih terperinci

BAB VI SIFAT-SIFAT LANJUTAN INTEGRAL RIEMANN

BAB VI SIFAT-SIFAT LANJUTAN INTEGRAL RIEMANN BAB VI SIFAT-SIFAT LANJUTAN INTEGAL IEMANN Sift-sift Ljut Itegrl iem Teorem 6.1 Jik f [, ] d f [, ] deg < < mk f [, ]. Leih ljut f x dx f x dx + () f x dx f [, ] d f [, ], mislk () f x dx A 1 d () f x

Lebih terperinci

KAJIAN BATAS KESALAHAN MINIMUM METODE RUNGE-KUTTA ORDE KEDUA, KETIGA, DAN KEEMPAT

KAJIAN BATAS KESALAHAN MINIMUM METODE RUNGE-KUTTA ORDE KEDUA, KETIGA, DAN KEEMPAT Prosdg Semr Nsol Mtemtk d Terpy 06 p-issn : 550-084; e-issn : 550-09 KAJIAN BATAS KESALAHAN MINIMUM METODE RUNGE-KUTTA ORDE KEDUA, KETIGA, DAN KEEMPAT St Muhwh Uversts Jederl Soedrm st_muhwh@yhoo.co.d

Lebih terperinci

BILANGAN BERPANGKAT DAN BENTUK AKAR

BILANGAN BERPANGKAT DAN BENTUK AKAR BILANGAN BERPANGKAT DAN BENTUK AKAR. Sift Opersi Bilg Bult Berpgkt Defiisi Pgkt Bult Positif Jik dlh ilg rel (yt) d dlh ilg sli (ilg ult positif), k... seyk fktor deg = pgkt tu ekspoe = ilg pokok/dsr/sis

Lebih terperinci

Daerah D dibatasi kurva y = f (x) dengan f (x) 0, garis x = a, garis x = b, dan sumbu x. D = {(x,y) a x b, 0 y f (x)} Luas daerah D adalah  Ú.

Daerah D dibatasi kurva y = f (x) dengan f (x) 0, garis x = a, garis x = b, dan sumbu x. D = {(x,y) a x b, 0 y f (x)} Luas daerah D adalah  Ú. x x g x x erh ditsi kurv = (x) deg (x), gris x =, gris x =, d sumu x. = {(x,) x, (x)} Lus derh dlh. L = lim x x = x erh ditsi kurv = (x), kurv = g(x), deg (x) g(x), gris x =, d gris x =. = {(x,) x, g(x)

Lebih terperinci

TE Dasar Sistem Pengaturan. Kriteria Kestabilan Routh

TE Dasar Sistem Pengaturan. Kriteria Kestabilan Routh TE946 Dr Sitem Pegtur Kriteri Ketil Routh Ir. Jo Prmudijto, M.Eg. Juru Tekik Elektro FTI ITS Telp. 5947 Fx.597 Emil: jo@ee.it.c.id Dr Sitem Pegtur - 7 Ojektif: Koep Ketil Ketil Routh Proedur Ketil Routh

Lebih terperinci

SOLUSI DERET PANGKAT TETAP DENGAN FUNGSI PEMBANGKIT

SOLUSI DERET PANGKAT TETAP DENGAN FUNGSI PEMBANGKIT OLUI DERET PANGKAT TETAP DENGAN FUNGI PEMBANGKIT Aleder A Guw Jurus Mtemt d ttst Fults s d Teolog, Uversts B Nustr Jl. K. H. yhd No. 9, Kemggs/Plmerh, Jrt Brt 8 gug@bus.edu ABTRACT Ths rtcle dscusses bout

Lebih terperinci

FAKTORISASI BENTUK ALJABAR

FAKTORISASI BENTUK ALJABAR Mtetik Kels VIII Seester Fktorissi Betuk Aljr FAKTORISASI BENTUK ALJABAR A. Pegerti Suku pd Betuk Aljr. Suku Tuggl d Suku Bk Betuk-etuk seperti,,, p 9p, 9, d diseut Betuk Aljr. Betuk ljr terdiri ts eerp

Lebih terperinci

Dia yang menjadikan matahari dan bulan bercahaya, serta mengaturnya pada beberapa tempat, supaya kamu mengetahui bilangan tahun dan perhitunganya

Dia yang menjadikan matahari dan bulan bercahaya, serta mengaturnya pada beberapa tempat, supaya kamu mengetahui bilangan tahun dan perhitunganya Pemeljr M t e m t i k... Di g mejdik mthri d ul erch, sert megtur pd eerp tempt, sup kmu megethui ilg thu d perhitug (QS Yuus:5 ) Pedhulu us Sift : - us derh rt dlh ilg riil tk egtif - persegipjg=pjg ler

Lebih terperinci

Koefisien Regresi / persamaan regresi linier digunakan untuk meramalkan / mengetahui besarnya pengaruh variabel X terhadap variabel Y

Koefisien Regresi / persamaan regresi linier digunakan untuk meramalkan / mengetahui besarnya pengaruh variabel X terhadap variabel Y REGRESI Koefsen Regres / persmn regres lner dgunkn untuk mermlkn / mengethu esrny pengruh vrel terhdp vrel Vrel yng mempengruh ddlm nlss regres dseut vrel predktor ( ) Vrel yng dpengruh dseut vrel krterum

Lebih terperinci